Les CDP traditionnels sont externes aux plateformes de données principales, créant une copie supplémentaire de données sensibles et une boucle de réconciliation supplémentaire. Databricks intègre au contraire CustomerLake dans le lakehouse gouverné par Unity Catalog. Les agents accèdent à l’identité, aux modèles, aux règles métier et aux points d’activation en un seul endroit, conservant la traçabilité, les politiques d’accès et l’auditabilité intactes. Cela réduit la dérive des fonctionnalités entre entraînement et production, évite les échecs de synchronisation entre outils, et centralise les signaux de mesure. Le résultat pratique : moins d’intégrations fragiles, des cycles décisionnels plus courts, et un chemin plus clair pour boucler entre prédiction, action et impact mesuré — critique quand les fenêtres d’intention client sont de minutes, pas de semaines.

Dans un modèle agentique, l’identité n’est pas un projet ponctuel — c’est une capacité maintenue en continu. Des identifiants durables et gouvernés doivent relier les profils connus aux signaux d’intention pseudonymes tout en respectant le consentement et les politiques régionales. Le contexte décisionnel — offres vues, expositions, suppressions, approbations — doit persister pour éviter la sur-fréquence, la subvention ou les violations de la vie privée. L’approche de Databricks combine appariement déterministe et probabiliste avec des graphes d’identité partenaires, rapprochant l’enrichissement de l’activation. Pour les opérateurs, la checklist inclut : hygiène d’identité en streaming, permissions par canal, contraintes d’éligibilité des audiences, et indicateurs test/contrôle. Sans cela, la prochaine meilleure action devient une simple supposition — et les marketeurs financent des commandes qui seraient arrivées de toute façon.

Le marketing agentique ne fonctionne que si chaque action est évaluée par rapport à un contrefactuel : ce qui serait arrivé sans l’intervention. Cela implique des groupes témoins intégrés, des segmentations géographiques ou par audience, et une estimation continue de l’augmentation, complétée par le MMM pour la planification budgétaire à long terme. L’analyse conversationnelle peut révéler où les retours saturent et où la suppression crée de la valeur en réduisant le gaspillage. La prise de décision s’adapte alors rapidement : réduire ou supprimer les incitations là où l’augmentation s’effondre, limiter la fréquence quand les retours marginaux diminuent, et réorienter les dépenses vers les audiences à plus fort rendement. Le bénéfice n’est pas seulement un ROI plus propre ; c’est une clarté opérationnelle sur où le prochain euro génère encore un profit incrémental.

Pilotez un cas d’usage à haute vélocité, comme la réactivation des utilisateurs d’app inactifs. Mettez en place l’hygiène d’identité en streaming, les vérifications de consentement et la journalisation des décisions avant d’activer les offres. Configurez des garde-fous pilotés par les marketeurs : logique d’éligibilité, plafonds de remise, limites de fréquence et points d’approbation. Instrumentez des groupes témoins à l’échelle globale, pas par campagne. Pour la modélisation, associez la propension en temps réel à des modèles d’augmentation calibrés ; opérationnalisez les contraintes économiques comme la marge par article, l’inventaire et les SLA de livraison. Enfin, définissez un RACI décisionnel : les marketeurs fixent objectifs et garde-fous, les équipes data gèrent les fonctionnalités et la qualité, la finance co-gère les seuils d’incrémentalité. Critères de succès : coût par levée, taux de subvention, délai de retour sur investissement, et impact sur la rétention en aval.

Trois risques dominent les déploiements précoces. D’abord, la dérive des subventions : des incitations qui récompensent des clients qui auraient converti sans elles. Combattez cela avec des groupes témoins persistants, des plafonds dynamiques de remise, et des déclencheurs de suppression liés au ROI marginal. Ensuite, la dérive de la vie privée et du consentement : des permissions discordantes entre canaux. Appliquez une politique unifiée et des vérifications par action, pas seulement des audits par lots. Enfin, la dérive des modèles : des comportements ou dynamiques de canal changeants qui dégradent l’augmentation. Surveillez avec des diagnostics avant/après et un retour automatique à une prise de décision plus sûre. La gouvernance n’est pas une formalité — c’est le contrat en temps réel qui rend les agents à la fois efficaces et dignes de confiance.